[發明專利]基于最大穩定極值區域和SVM的交通標志識別方法

在審

• 申請號: 201710388323.6
• 申請日: 2017-05-27
• 公開（公告）號: CN107330365A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 高振國;錢坤;陳丹杰;陳炳才;盧志茂;姚念民
• 申請（專利權）人: 深圳市美好幸福生活安全系統有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/13;G06T7/90
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于最大穩定極值區域和SVM的交通標志識別方法，該方法包括以下步驟：

步驟1：顏色轉換。

步驟2：邊緣檢測。

步驟3：分類識別。

2.權利要求1中步驟1所述的方法，特征在于，所述步驟1包括：

步驟1a：確定圖像紅/藍歸一化閾值，計算公式為：

ΩRB=max(RR+G+B,BR+G+B)]]>

其中R為紅色部分，B為藍色部分，R+G+B為圖像全部。Ω_RB就是紅/藍歸一化的閾值。

步驟1b：利用計算出的閾值，對圖像進行歸一化處理，突出待檢測識別的興趣區域。

3.權利要求1中步驟2所述方法，其特征在于，所述步驟2包括：

2a：計算圖像梯度。圖像中，相鄰像素點灰度值變化較小的，其梯度幅值也比較小；反之，灰度突變的地方，梯度幅值較大。因此，需要通過一階倒數計算得到幅值的大小來詳細判定圖像的位置以及邊緣的存在性。在圖像函數f(x，y)中選定(x，y)點，其對應梯度公式為：

▿f(x,y)=[Gx(x,y),Gy(x,y)]T=[∂f∂x∂f∂y]T]]>

其中G_x(x，y)和G_y(x，y)分別是像素點(x,y)處的水平方向梯度和垂直方向梯度。f(x，y)在其最大變化率方向上單位長度變化的量值即為對應梯度的幅值。相應的梯度幅值以及相應方向角的數學關系式為:

|▿f(x,y)|=mag(▿f(x,y))=Gx(x,y)2+Gy(x,y)2Φ(x,y)=tan-1Gy(x,y)Gx(x,y)]]>

對于圖像函數f(x，y)用差分代替微分來實現梯度的計算，即：

|▿f(x,y)|={[f(x,y)-f(x+1,y)]2+[f(x,y)-f(x,y+1)]2}]]>

因此，在像素點(x，y)處的梯度幅值G(x，y)和梯度方向α(x，y)可以表示為：

G(x,y)=Gx(x,y)2+Gy(x,y)2]]>

α(x,y)=tan-1[Gy(x,y)Gx(x,y)]]]>

2b：為每個細胞單元構建梯度方向直方圖。當得到一張梯度影像后，把影像切割成相同大小(8x8pixel)的格子稱為cell，對每個cell統計里面的方向，tan^-1的角度范圍是介于-90度到+90之間，把它的角度拉到0到t80度，并均勻劃分為9塊，即九個票箱，每塊之間相差20度，當像素的方向符合某個票箱時，就把該像素的強度值(Magnitude)給累加放入相對應的票箱中，每個cell會以九維向量表示，最后可以畫出這個cell的方向梯度直方圖。

2c：把細胞單元組合成大的塊(block)，塊內歸一化梯度直方圖。每相鄰的4個cell構成一個塊(block)，把一個塊內的特征向量聯起來得到36維的特征向量，用塊對樣本圖像進行掃描，掃描步長為一個cell。特征向量數量用N來表示：

N=(RwidthMwidth-1)*(RheightMheight-1)*B*H]]>

4.根據權利要求1中步驟3所述方法，特征在于，所述步驟3包括：

3a：多類SVM分類器的結構選擇。SVM是一種兩類分類器，為了將其推廣到多類分類，本發明采取的策略是構造一系列兩類SVM分類器，每個分類器用于識別其中兩個類別，并將它們的判別結果以某種方式組合起來實現兩類及兩類以上分類。為了實現多類判別，運用1-a-r即1-aginst-rest算法，對于N個分類問題構造N個兩類分類器，第i個SVM用第i類中的訓練樣本作為正的訓練樣本，而將其他的樣本作為負的訓練樣本，最后輸出是兩類分類器輸出為最大的那一類，這種方法簡便易行，容易實現。

3b：SVM分類器的訓練與識別。用標準交通標志圖像集，對SVM分類器進行訓練，得到訓練樣本的支持向量以及支持向量對應的決策函數和類別標簽。將經過預處理的圖像的特征向量輸入SVM分類器，判定并輸出分類結果。